首先，传统的遗传优化算法，其标准的优化过程如下所示：
步骤一：根据所需要处理的问题特点，选择问题解对应的编码，并给出一个初始群体，该初始群体包括N各染色体。
步骤二：计算遗传算法中群体的每一个染色体的适应函数值。
步骤三：当遗传算法的某一次迭代结果符合停止迭代条件，则算法停止迭代，如果不满足停止迭代条件，则以一个随机的概率分布值，从旧的种群中随机的选择N个染色体组成一个新的种群进行下一次的迭代。
步骤四：通过交叉得到N个染色体的交叉集合。
步骤五：设置一个较小的变异概率，使染色体中的某些基因进行变异，获得新的种群，并重复步骤二的计算过程。
其详细步骤如下：
遗传算法的主要步骤
但是，传统的遗传算法，面对较为复杂的优化目标函数的时候，无法得到较好的优化结果，其不仅优化速度慢，而且无法达到标准的优化解。为了解决这个问题，提高全局搜索最优解的能力，防止陷入局部优化的问题，本文提出了一种改进遗传算法来获得最优的学习速率。